买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：成都轨道交通产业技术研究院有限公司;成都轨道交通集团有限公司

摘要：本发明属于受电弓主动控制技术领域，具体公开了一种考虑控制不同部件的受电弓主动控制方法，包括建立受电弓‑接触网系统仿真模型；根据受电弓‑接触网系统仿真模型，分别将受电弓头与框架、受电弓弓头与上框架以及受电弓底架作为控制对象，设计基于PID的控制器、基于RBF神经网络的自适应控制器以及基于约束粒子群优化的预测控制器，进而完成受电弓主动控制。本发明针对控制器安装位置的不同分别设计了三种不同作动位置的控制器，减小了弓网接触力的波动，进一步提高了弓网的受流质量，解决了现有改善弓网动态接触关系的方法效果有限且成本高昂的问题。

主权项：1.一种考虑控制不同部件的受电弓主动控制方法，其特征在于，包括以下步骤：S1.建立受电弓-接触网系统仿真模型；所述受电弓-接触网系统仿真模型包括通过罚函数耦合的受电弓归算质量模型、多刚体模型和接触网有限元模型；所述受电弓归算质量模型包括三个质量块；S2.根据受电弓-接触网系统仿真模型，将受电弓弓头和框架作为控制对象，设计基于PID的控制器，具体包括以下步骤：S21.根据受电弓-接触网系统仿真模型中的受电弓归算质量模型和接触网有限元模型，构建协同动力学模型；S22.通过协同动力学模型仿真模拟受电弓-接触网系统的运行状况，得到仿真结果；S23.根据仿真结果设计增量式PID控制器，并安装于受电弓上框架提供控制力；S3.根据受电弓-接触网系统仿真模型，将受电弓弓头与上框架同时作为控制对象，设计基于RBF神经网络的自适应控制器，具体包括以下步骤：S31.对接触网有限元模型进行简化，得到面向控制的受电弓-接触网系统仿真模型；S32.基于面向控制的受电弓-接触网系统仿真模型，设计PD控制器；S33.在PD控制器中加入RBF神经网络进行前馈补偿；S34.基于Lyapunov定理第二方法，设计Lyapunov函数；S35.基于Lyapunov函数计算RBF神经网络的自适应权重更新律，并得到基于RBF神经网络的自适应控制器，保证控制系统的有限补偿；S4.根据受电弓-接触网系统仿真模型，将受电弓底架作为控制对象，设计基于约束粒子群优化的预测控制器，具体包括以下步骤：S41.根据受电弓-接触网系统仿真模型中由于执行机构自身的饱和作用造成的控制输入约束以及受电弓弓头抬升量约束，设计带有输入约束的预测控制器；S42.根据受电弓-接触网系统仿真模型中执行机构存在时滞的问题，设计考虑执行机构时滞的预测控制器；S43.基于带有输入约束的预测控制器与考虑执行机构时滞的预测控制器，利用粒子群优化算法对最优控制序列进行求解，得到基于约束粒子群优化的预测控制器，所述粒子群优化算法的粒子设置为预测输入增量，粒子群的维数D设置为预测控制时域Nc，粒子群的适应度函数设置为待优化方程；S44.利用扩展卡尔曼滤波器获取运行中的受电弓的状态信息；S45.根据受电弓的状态信息，通过基于约束粒子群优化的预测控制器对执行机构存在的约束及时滞问题进行控制补偿；所述步骤S41具体包括以下步骤：S411.根据受电弓-接触网系统仿真模型中由于执行机构自身的饱和作用造成的控制输入约束以及受电弓弓头抬升量约束，设计含输入约束的优化方程，所述含输入约束的优化方程为： 其中，表示优化方程的最小值；表示扩展状态矩阵的状态变量；表示系统上一时刻的输入；表示系统当前时刻的增量输入；表示系统当前时刻的输入；表示系统输入；下标表示参数的最小值；下标表示参数的最大值；S412.将含输入约束的优化方程中的的约束函数转换成关于自变量的函数关系式，得到转换后的优化方程；S413.将转换后的优化方程转换得到标准二次型形式的优化方程，所述标准二次型形式的优化方程为： 其中，表示优化方程；表示新的控制序列；；；表示误差权值矩阵；表示控制输入权值矩阵；表示弓网系统当前时刻接触力与参考接触力的误差矩阵；表示状态矩阵；上标表示矩阵的转置；表示增量输入矩阵；表示约束系数；表示约束矩阵；S414.求解标准二次型形式的优化方程，得到受电弓-接触网系统的控制输入，即得到带有输入约束的预测控制器；所述步骤S45具体包括以下步骤：S451.对控制参数进行初始化；S452.在k时刻，根据初始化后的控制参数、系统状态信息、输出信息及约束条件，计算误差矩阵、以及约束矩阵，并将k-1时刻的控制序列作为k时刻粒子群的初始化值；S453.利用粒子群优化算法优化，基于误差矩阵、和约束矩阵以及k时刻粒子群的初始化值求解，得到新的控制序列,将的第一个分量作为最优控制增量；S454.将最优控制增量输入系统进行控制补偿；S455.根据受电弓的状态信息判断受电弓-接触网系统稳定是否达到最佳，若是，系统控制补偿完成，若否，令计数值加1，并返回步骤S451；S5.根据基于PID的控制器、基于RBF神经网络的自适应控制器和基于约束粒子群优化的预测控制器，完成受电弓主动控制；步骤S23中所述增量式PID的表达式为： 其中，为控制输入增量，，为控制器在时刻的输出，为控制器在时刻的输出；为控制器在时刻的输入误差；为控制器在时刻的输入误差；为控制器在时刻的输入误差；为正比例增益；为积分增益；为负微分增益；步骤S32中所述PD控制器的控制律为： 其中，表示控制律；表示受电弓三质量块模型的质量参数矩阵，，表示受电弓弓头的等效质量，表示受电弓上框架的等效质量，表示受电弓下框架的等效质量；表示阻尼参数矩阵，，表示受电弓弓头的等效阻尼，表示受电弓上框架的等效阻尼，表示受电弓下框架的等效阻尼；表示刚度参数矩阵，，表示受电弓弓头的等效刚度，表示受电弓上框架的等效刚度，表示受电弓下框架的等效刚度，表示接触网刚度；表示受电弓期望参考加速度轨迹；表示跟踪误差，，表示受电弓期望参考位移轨迹；表示正定常数三阶常数矩阵，，，表示矩阵的调节参数；表示跟踪误差的一阶微分函数；表示受电弓当前的垂向位移状态；表示受电弓垂向速度；表示车体扰动与模型参数摄动；步骤S34中所述Lyapunov函数为： 其中，表示Lyapunov函数；表示对称正定矩阵；表示RBF神经网络的输入；上标表示矩阵的转置；表示最优权值；表示最优权值的估计值；表示调节参数；步骤S35中所述RBF神经网络的自适应权重更新律的计算公式为： 其中，表示RBF神经网络的自适应权重更新律；表示常数矩阵；表示RBF神经网络的激活函数。

全文数据：

权利要求：

百度查询： 成都轨道交通产业技术研究院有限公司 成都轨道交通集团有限公司 一种考虑控制不同部件的受电弓主动控制方法